BERT模型的深度解读

一、BERT整体概要

Bert由两部分组成：

• 预训练（Pre-training）:通过两个联合训练任务得到Bert模型
• 微调（Fine-tune）：在预训练得到bert模型的基础上进行各种各样的NLP
  

二、预训练

输入经过bert encoder层编码后，进行MLM任务和NSP任务，产生联合训练的损失函数从而迭代更新整个模型中的参数。

Bert Encoder：采用默认的12层transformer encoder layer对输入进行编码
MLM任务：掩蔽语言模型，遮盖句子中若干词，用周围词去预测遮盖的词
NSP任务：下个句子预测，判断句子B在文章中是否属于句子A的下一句

2.1 BERT Encoder

如何对输入进行编码

句首+ < CLS > ，句尾和两个句子之间+ < SEP >
句子级别的编码：用来区分每个句子，一个句子的编码是相同的
位置编码：其实就是数字编码123456789

经过编码器编码后输出张量的形状：[ Batch Size , Seq lens , Emb dim]

2.2 MLM任务：掩蔽语言模型

1. 采样：
   

2. 将采样后的句子送进去Bert encoder进行编码

3. 输入：Bert encoder编码后的输出 + 告诉模型要预测的词元位置（张量形状[ Batch Size,词元位置数量]）------一句话中可能要预测词元的数量有点多，要3个的话词元位置数量=3

4. 中间：MLP结构
   
   Dense：全连接层激活函数是ReLu
   LN：用来规范化数据
   全连接层：激活函数是Softmax（token的数量）

   Softmax函数是用于多类分类问题的激活函数，在多类分类问题中，超过两个类标签则需要类成员关系。对于长度为K KK的任意实向量，Softmax函数可以将其压缩为长度为K KK，值在[ 0 , 1 ] [0,1][0,1]范围内，并且向量中元素的总和为1的实向量。

5. 输出：序列类别分布张量，形状：[ Batch Size , 词元位置数量 , 总Token数量]

2.3 NSP任务

1. 采样：
   采样时，50%的概率将第二句句子替换成段落中的任意一个句子

2. 将采样后的句子送进去Bert encoder进行编码

3. 输入：经过bert encoder编码后输出< CLS >位置的张量，形状 [ Batch Size , Emd dim]
   

4. 中间：MLP结构，输出维度为2，激活函数为Softmax

5. 输出：类别分布张量。形状为[Batch Size , 2]

三、训练过程

1. 先通过文本数据整理出:(没有考虑padding )
   ①索引化的Tokens(已经随机选取了MLM与NSP任务数据)
   ②索引化的Segments
   ③MLM任务要预测的位置
   ④MLM任务的真实标注
   ⑤NSP任务的真实标注
2. 将①②输入Bert Encoder得到编码后的向量以下称为⑥
3. 将⑥与③输入MLM网络得到预测值与④计算交叉嫡损失函数。
4. 在⑥中取出对应位置的张量输入NSP网络得到值与⑤计算交叉嫡损失函数。
5. 将MLM的loss与NSP的loss相加得到总的loss，并反向传播更新所有模型参数。

考虑padding时，用< pad >进行填充。并且使用valid_lens记录实际长度

四、微调

通过预训练得到的bert encoder网络接上各种各样的下游网络进行不同的任务

a) 句子对分类，将经过Encoder层编码后的< CLS>对应位置的向量输入进一个多分类的MLP网络中即可。
b) 单句分类，同上。
c) 根据问题得到答案,输入是一个问题与一段描述组成的句子对。将经过Encoder层编码后的每个词元对应位置的向量输入进3分类的MLP网络，而类别分别是Start(答案的首位)，End(答案的末尾)，Span(其他位置)。
d) 命名实体识别，将经过Encoder层编码后每个词元对应位置的向量输入进一个多分类的MLP网络中即可。
（就是12层的编码把每个词都编码后，通过编码已经提取出了一些信息，再看你怎么利用而已）

---

五、问题与总结

5.1bert的双向体现在什么地方

体现在mlm任务 ：

预测 “mask” 时，要看前后 “my” 与 “is” 的信息

5.2bert与transformer在位置编码上的不同

位置编码信息，在多层注意力层后就没有了-----简化：bert就直接用1234567

5.3 为什么bert中的word embedding具有一词多义的

bert最后输出的我认得 embedding